[go: up one dir, main page]

CN113095139B - 一种基于高斯模板匹配的红外点目标识别方法 - Google Patents

一种基于高斯模板匹配的红外点目标识别方法 Download PDF

Info

Publication number
CN113095139B
CN113095139B CN202110265696.0A CN202110265696A CN113095139B CN 113095139 B CN113095139 B CN 113095139B CN 202110265696 A CN202110265696 A CN 202110265696A CN 113095139 B CN113095139 B CN 113095139B
Authority
CN
China
Prior art keywords
template
center
gaussian
pixel
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110265696.0A
Other languages
English (en)
Other versions
CN113095139A (zh
Inventor
伍玲玲
谢春祥
王凯旋
张丰收
孟令南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202110265696.0A priority Critical patent/CN113095139B/zh
Publication of CN113095139A publication Critical patent/CN113095139A/zh
Application granted granted Critical
Publication of CN113095139B publication Critical patent/CN113095139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于高斯模板匹配的红外点目标识别方法，属于信息感知与识别技术领域，所述方法包括以下几个步骤：步骤一：离线利用已知数据进行高斯拟合；步骤二:对拟合得到的高斯模板数字化和归一化；步骤三：待匹配区域与标准模板进行匹配，得到相应的匹配系数；步骤四：根据匹配系数判断当前区域是否为目标。本发明提出的基于高斯模板匹配的红外点目标识别方法，该方法在剔除云边缘和其他不满足高斯分布的干扰时效果较好。

Description

一种基于高斯模板匹配的红外点目标识别方法
技术领域
本发明属于信息感知与识别技术领域，具体涉及一种基于高斯模板匹配的红外点目标识别方法。
背景技术
红外成像系统通过接收热辐射，将热信号转换为对应的电信号，电信号的大小对应了辐射能量的高低，电信号转换为图像输出后就得到了红外图像，红外成像主要受目标的灰度、目标材质、大气衰减等因素影响，在目标成像的同时，背景也同样经过成像系统成像，背景根据目标所处环境的不同，包括天空背景、地面背景以及海面背景等。
一个理想的点目标经过光学系统的衍射后能量被分散，最后成像在探测器上时，不再是一个孤零零的点，而是一个近似高斯分布的光斑，而其他背景往往不具备该特性。从而可根据该特性，将目标从背景中识别出来。
发明内容
本发明解决的技术问题是：针对上述内容，本发明提出一种基于高斯模板匹配的红外点目标识别方法，该方法在天空中有云边缘和其他不满足高斯分布的干扰时效果较好。
本发明的技术方案是：一种基于高斯模板匹配的红外点目标识别方法，包括以下几个步骤：
步骤一：离线利用已知数据进行高斯拟合，得到相应的高斯参数；
步骤二：对拟合得到的高斯模板数字化和归一化；
步骤三：采用相关法进行匹配，将待匹配区域与归一化后的5个模板一一进行匹配，得到5个相应的匹配系数cov1-cov5；
步骤四：根据匹配系数对当前区域进行目标识别。
所述步骤一的具体过程为：
选择5＊5的标准模板，选取相应的图像序列，利用高斯拟合得到相应的高斯参数；二维高斯方程写成如下形式：
Figure BDA0002971672280000021
其中，G为高斯中心的灰度，(x0，y0)为高斯模板中心坐标，σx和σy分别为两个方向上的标准差，(x，y)为参与拟合的像素点的坐标，f(x，y)为对应(x，y)像素点的灰度，对方程两边取对数并乘以f整理得：
Figure BDA0002971672280000022
设参与拟合的像素点的个数为N，f代表对应该坐标的像素点的灰度，上述方程写成矩阵的形式：
F＝BC
Figure BDA0002971672280000023
Figure BDA0002971672280000031
其中F为N＊1的矩阵，B为N＊5的矩阵，C为5＊1的矩阵，利用最小二乘法可得：
C＝(BTB)-1BTF
得到G，x0，y0，σx，σy五个参数的值即步骤一中的高斯参数，由于有5个参数，最少需要参与拟合的像素点个数N＝5。
所述步骤二的具体过程为：
对5种不同的高斯模板进行数字化和归一化，得到数字化和归一化后的模板：
a)高斯中心完全落在5＊5模板的中心；
b)高斯中心落在模板中心右下四个像素，分别包括：模板中
心像素、模板中心水平向右像素、模板中心垂直向下像素以及模板中心对角线向下的像素；
c)高斯中心落在模板中心左上四个像素，分别包括：模板中
心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素；
d)高斯中心落在模板中心右上四个像素，分别包括：模板中
心像素、模板中心水平向右像素、模板中心垂直向上像素以及模板中心对角线向上的像素；
e)高斯中心落在模板中心左下四个像素，分别包括：模板中
心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
所述步骤三的具体方法为：
设模板为T，待匹配的图像区域为S，匹配就是将模板T覆盖在S上平移，模板匹配的相关系数如下所示，其中M＝5，N＝5：
Figure BDA0002971672280000041
其中，i＝1，2，3，4，5。
所述步骤四的具体过程为：
若5个匹配系数，只要满足其中一个大于当前设定的阈值covT，则认为当前待匹配区域与模板匹配，判定其为目标；
若cov1＞cov2且cov1＞cov3且cov1＞cov4且cov1＞cov5，则表明当前目标的高斯中心完全落在模板的中心；
若cov2＞cov1且cov2＞cov3且cov2＞cov4且cov2＞cov5，则表明高斯中心落在模板中心的右下；
若cov3＞cov1且cov3＞cov2且cov3＞cov4且cov3＞cov5，则表明高斯中心落在模板中心的左上；
若cov4＞cov1且cov4＞cov2且cov4＞cov3且cov4＞cov5，则表明高斯中心落在模板中心的右上；
若cov5＞cov1且cov5＞cov2且cov5＞cov3且cov5＞cov4，则表明高斯中心落在模板中心的左下；
若5个匹配系数都不满足上述条件，则当前区域不为目标，并将其删除。
本发明与现有技术相比的优点是：(1)现有技术一般采用在线拟合高斯模板，计算量大，无法满足工程应用中实时性的要求，本发明采用离线计算高斯模板的方式，减少了计算量；(2)现有技术一般只得到一个高斯中心落在模板中心的标准模板，本发明通过离散化和归一化后得到5个高斯模板，对于高斯中心偏离的情况也能得到有效识别；(3)本发明采用的高斯拟合能够剔除不满足高斯分布的干扰及云边缘。
附图说明
图1：本发明流程图；
图2：本发明提出的高斯中心落在模板中心的标准模板；
图3：本发明提出的高斯中心落在模板中心右下的标准模板；
图4：本发明提出的高斯中心落在模板中心左上的标准模板；
图5：本发明提出的高斯中心落在模板中心右上的标准模板；
图6：本发明提出的高斯中心落在模板中心左下的标准模板；
具体实施方式
本发明一种基于高斯模板匹配的红外点目标识别方法，如图1所示，具体包括以下几个步骤：
步骤一：离线利用已知数据进行高斯拟合，得到相应的高斯参数；
选择5＊5的标准模板，选取相应的图像序列，利用高斯拟合得到标准模板。
二维高斯方程可写成如下形式：
Figure BDA0002971672280000051
其中，G为高斯中心的灰度，x0，y0为高斯模板中心，σx和σy分别为两个方向上的标准差，(x，y)为参与拟合的像素点的坐标，f(x，y)为对应(x，y)像素点的灰度，对方程两边取对数并乘以f整理得：
对方程两边取对数并乘以f整理得：
Figure BDA0002971672280000061
设参与拟合的像素点的个数为N，上述方程可以写成矩阵的形式：
F＝BC
Figure BDA0002971672280000062
Figure BDA0002971672280000063
利用最小二乘法可得：
C＝(BTB)-1BTF
可得到G，x0，y0，σx，σy五个参数的值即为高斯模板的参数。
步骤二：对拟合得到的高斯模板数字化和归一化；
对高斯模板进行数字化和归一化，得到数字化和归一化后的5种不同的模板：
(1)高斯中心完全落在5＊5模板的中心；
(2)高斯中心落在模板中心右下四个像素，分别包括：模板中心像素、模板中心水平向右像素、模板中心垂直向下像素以及模板中心对角线向下的像素。
(3)高斯中心落在模板中心左上四个像素，分别包括：模板中心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
(4)高斯中心落在模板中心右上四个像素，分别包括：模板中心像素、模板中心水平向右像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
(5)高斯中心落在模板中心左下四个像素，分别包括：模板中心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
步骤三：采用相关法进行匹配，将待匹配区域与归一化后的5个模板一一进行匹配，得到5个相应的匹配系数cov1(高斯中心完全落在模板的中心),cov2(高斯中心落在模板中心的右下),cov3(高斯中心落在模板中心的左上),cov4(高斯中心落在模板中心的右上),cov5(高斯中心落在模板中心的左下)；
设模板为T，待匹配的图像区域为S,匹配就是将模板T覆盖在S上平移，模板匹配的相关系数如下所示,其中M＝5,N＝5：
Figure BDA0002971672280000071
其中，i＝1,2,3,4,5。
步骤四：根据匹配系数判断当前区域是否为目标；
(1)当前区域为目标；
若5个匹配系数，只要满足其中一个大于当前设定的阈值covT，则认为当前待匹配区域与模板匹配，判定其为目标；
若cov1>cov2且cov1>cov3且cov1>cov4且cov1>cov5，则表明当前目标的高斯中心完全落在模板的中心；
若cov2>cov1且cov2>cov3且cov2>cov4且cov2>cov5，则表明高斯中心落在模板中心的右下；
若cov3>cov1且cov3>cov2且cov3>cov4且cov3>cov5，则表明高斯中心落在模板中心的左上；
若cov4>cov1且cov4>cov2且cov4>cov3且cov4>cov5，则表明高斯中心落在模板中心的右上；
若cov5>cov1且cov5>cov2且cov5>cov3且cov5>cov4，则表明高斯中心落在模板中心的左下；
(2)当前区域不为目标；
若5个匹配系数都不满足上述条件，则当前区域不为目标，将其删除。
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提出一种基于高斯模板匹配的红外点目标识别方法，如图1所示，具体包括以下几个步骤：
步骤一：离线利用已知数据进行高斯拟合，得到相应的高斯参数；
选择5*5的标准模板，选取相应的图像序列，利用高斯拟合得到标准模板。
二维高斯方程可写成如下形式：
Figure BDA0002971672280000081
其中，G为高斯中心的灰度，x0，y0为高斯模板中心，σx和σy分别为两个方向上的标准差，(x,y)为参与拟合的像素点的坐标，f(x，y)为对应(x，y)像素点的灰度，对方程两边取对数并乘以f整理得：
Figure BDA0002971672280000091
设参与拟合的像素点的个数为N，上述方程可以写成矩阵的形式：
F＝BC
Figure BDA0002971672280000092
Figure BDA0002971672280000093
利用最小二乘法可得：
C＝(BTB)-1BTF
可得到G，x0，y0，σx，σy五个参数的值即为高斯模板参数。
步骤二：对拟合得到的高斯模板数字化和归一化；
对高斯模板进行数字化和归一化，得到数字化和归一化后的5种不同的模板：
(1)高斯中心完全落在5＊5模板的中心；
(2)高斯中心落在模板中心右下四个像素，分别包括：模板中心像素、模板中心水平向右像素、模板中心垂直向下像素以及模板中心对角线向下的像素。
(3)高斯中心落在模板中心左上四个像素，分别包括：模板中心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
(4)高斯中心落在模板中心右上四个像素，分别包括：模板中心像素、模板中心水平向右像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
(5)高斯中心落在模板中心左下四个像素，分别包括：模板中心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
步骤三：采用相关法进行匹配，将待匹配区域与归一化后的5个模板一一进行匹配，得到5个相应的匹配系数cov1(高斯中心完全落在模板的中心),cov2(高斯中心落在模板中心的右下),cov3(高斯中心落在模板中心的左上),cov4(高斯中心落在模板中心的右上),cov5(高斯中心落在模板中心的左下)；
设模板为T，待匹配的图像区域为S,匹配就是将模板T覆盖在S上平移，模板匹配的相关系数计算方法如下所示,其中M＝5,N＝5：
Figure BDA0002971672280000101
其中，i＝1,2,3,4,5。
步骤四：根据匹配系数判断当前区域是否为目标；
(1)当前区域为目标；
若5个匹配系数，只要满足其中一个大于当前设定的阈值covT，则认为当前待匹配区域与模板匹配，判定其为目标；
若cov1>cov2且cov1>cov3且cov1>cov4且cov1>cov5，则表明当前目标的高斯中心完全落在模板的中心；
若cov2>cov1且cov2>cov3且cov2>cov4且cov2>cov5，则表明高斯中心落在模板中心的右下；
若cov3>cov1且cov3>cov2且cov3>cov4且cov3>cov5，则表明高斯中心落在模板中心的左上；
若cov4>cov1且cov4>cov2且cov4>cov3且cov4>cov5，则表明高斯中心落在模板中心的右上；
若cov5>cov1且cov5>cov2且cov5>cov3且cov5>cov4，则表明高斯中心落在模板中心的左下；
(2)当前区域不为目标；
若5个匹配系数都不满足上述条件，则当前区域不为目标，将其删除。

Claims (3)

1.一种基于高斯模板匹配的红外点目标识别方法，其特征在于：包括以下几个步骤：
步骤一：离线利用已知数据进行高斯拟合，得到相应的高斯参数；
步骤二：对拟合得到的高斯模板数字化和归一化；
步骤三：采用相关法进行匹配，将待匹配区域与归一化后的5个模板一一进行匹配，得到5个相应的匹配系数cov1-cov5；
步骤四：根据匹配系数对当前区域进行目标识别；
所述步骤一的具体过程为：
选择5*5的标准模板，选取相应的图像序列，利用高斯拟合得到相应的高斯参数；二维高斯方程写成如下形式：
Figure FDA0003608446990000011
其中，G为高斯中心的灰度，(x0，y0)为高斯模板中心坐标，σx和σy分别为两个方向上的标准差，(x,y)为参与拟合的像素点的坐标，f(x,y)为对应(x,y)像素点的灰度，对方程两边取对数并乘以f整理得：
Figure FDA0003608446990000012
设参与拟合的像素点的个数为N，f代表对应该坐标的像素点的灰度，上述方程写成矩阵的形式：
F＝BC
Figure FDA0003608446990000021
Figure FDA0003608446990000022
其中F为N*1的矩阵，B为N*5的矩阵，C为5*1的矩阵，利用最小二乘法可得：
C＝(BTB)-1BTF
得到G，x0,y0,σx，σy五个参数的值即步骤一中的高斯参数，由于有5个参数，最少需要参与拟合的像素点个数N＝5；
所述步骤二的具体过程为：
对5种不同的高斯模板进行数字化和归一化，得到数字化和归一化后的模板:
a)高斯中心完全落在5*5模板的中心；
b)高斯中心落在模板中心右下四个像素，分别包括：模板中心像素、模板中心水平向右像素、模板中心垂直向下像素以及模板中心对角线向下的像素；
c)高斯中心落在模板中心左上四个像素，分别包括：模板中心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素；
d)高斯中心落在模板中心右上四个像素，分别包括：模板中心像素、模板中心水平向右像素、模板中心垂直向上像素以及模板中心对角线向上的像素；
e)高斯中心落在模板中心左下四个像素，分别包括：模板中心像素、模板中心水平向左像素、模板中心垂直向上像素以及模板中心对角线向上的像素。
2.根据权利要求1所述的一种基于高斯模板匹配的红外点目标识别方法，其特征在于：所述步骤三的具体方法为：
设模板为T，待匹配的图像区域为S,匹配就是将模板T覆盖在S上平移，模板匹配的相关系数如下所示,其中M＝5,N＝5：
Figure FDA0003608446990000031
其中，i＝1,2,3,4,5。
3.根据权利要求2所述的一种基于高斯模板匹配的红外点目标识别方法，其特征在于：所述步骤四的具体过程为：
若5个匹配系数，只要满足其中一个大于当前设定的阈值covT，则认为当前待匹配区域与模板匹配，判定其为目标；
若cov1>cov2且cov1>cov3且cov1>cov4且cov1>cov5，则表明当前目标的高斯中心完全落在模板的中心；
若cov2>cov1且cov2>cov3且cov2>cov4且cov2>cov5，则表明高斯中心落在模板中心的右下；
若cov3>cov1且cov3>cov2且cov3>cov4且cov3>cov5，则表明高斯中心落在模板中心的左上；
若cov4>cov1且cov4>cov2且cov4>cov3且cov4>cov5，则表明高斯中心落在模板中心的右上；
若cov5>cov1且cov5>cov2且cov5>cov3且cov5>cov4，则表明高斯中心落在模板中心的左下；
若5个匹配系数都不满足上述条件，则当前区域不为目标，并将其删除。
CN202110265696.0A 2021-03-11 2021-03-11 一种基于高斯模板匹配的红外点目标识别方法 Active CN113095139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110265696.0A CN113095139B (zh) 2021-03-11 2021-03-11 一种基于高斯模板匹配的红外点目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110265696.0A CN113095139B (zh) 2021-03-11 2021-03-11 一种基于高斯模板匹配的红外点目标识别方法

Publications (2)

Publication Number Publication Date
CN113095139A CN113095139A (zh) 2021-07-09
CN113095139B true CN113095139B (zh) 2022-07-05

Family

ID=76666902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110265696.0A Active CN113095139B (zh) 2021-03-11 2021-03-11 一种基于高斯模板匹配的红外点目标识别方法

Country Status (1)

Country Link
CN (1) CN113095139B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5329599A (en) * 1991-12-20 1994-07-12 Xerox Corporation Enhanced fidelity reproduction of images by hierarchical template matching
CN102567979A (zh) * 2012-01-20 2012-07-11 南京航空航天大学 车载红外夜视系统及其多源图像融合方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567994B (zh) * 2011-12-31 2014-08-20 南京理工大学 基于角点高斯特性分析的红外小目标检测方法
CN104794733B (zh) * 2014-01-20 2018-05-08 株式会社理光 对象跟踪方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5329599A (en) * 1991-12-20 1994-07-12 Xerox Corporation Enhanced fidelity reproduction of images by hierarchical template matching
CN102567979A (zh) * 2012-01-20 2012-07-11 南京航空航天大学 车载红外夜视系统及其多源图像融合方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于自适应模板匹配的红外弱小目标检测;顾静良 等;《计算机应用》;20051231;第5-7页 *
基于高斯模板分层匹配的红外点目标检测算法;聂洪山 等;《计算机工程与应用》;20081231;第44卷(第33期);第191-193页 *
红外运动弱小目标的动态规划检测;王博 等;《电子科技大学学报》;20090731;第38卷(第4期);第613-616页 *
聂洪山 等.基于高斯模板分层匹配的红外点目标检测算法.《计算机工程与应用》.2008,第44卷(第33期), *
高斯曲面拟合在对空红外点目标检测中的应用;李国强;《红外技术》;20131031;第35卷(第10期);第638-641页 *

Also Published As

Publication number Publication date
CN113095139A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN107680054B (zh) 雾霾环境下多源图像融合方法
CN109753929B (zh) 一种高铁绝缘子巡检图像识别方法
CN109086714A (zh) 表格识别方法、识别系统及计算机装置
CN109308718B (zh) 一种基于多深度相机的空间人员定位装置及方法
CN106530313B (zh) 一种基于区域分割的海天线实时检测方法
CN111783773B (zh) 一种面向角度倾斜电线杆标识牌的矫正方法
CN115131325A (zh) 一种基于图像识别分析的断路器故障运维监测方法及系统
CN110889374A (zh) 印章图像处理方法、装置、计算机及存储介质
CN113095139B (zh) 一种基于高斯模板匹配的红外点目标识别方法
CN119027517B (zh) 一种屋顶分布式光伏识别方法、系统、装置及存储介质
CN109461171B (zh) 基于多通道改进DoG滤波的红外弱小目标检测算法
CN113989260A (zh) 一种基于无人机红外图像的光伏板边缘分割方法
CN117037064B (zh) 基于改进ssd的非法占用国土耕地行为的检测方法与系统
CN113256587A (zh) 一种电离层等离子体泡气辉图像自动化处理方法及装置
CN115035446B (zh) 一种基于局部msr和目标匹配的厨房老鼠检测识别方法
CN111192281A (zh) 一种基于视觉感知机制的电气设备图像自动生成方法
CN117593193A (zh) 一种基于机器学习的钣金图像增强方法及系统
CN111160372A (zh) 一种基于高速卷积神经网络的大目标识别方法
CN114742854B (zh) 基于场景先验知识和区域合并的sar图像海陆分割方法
CN116909313A (zh) 一种基于检测目标居中处理的电力杆塔无人机智能巡检方法及系统
CN116758447A (zh) 一种基于数字孪生的变电站设备故障分析系统
CN111524098B (zh) 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法
CN114049622A (zh) 车牌识别方法及系统
CN112329796A (zh) 基于视觉显著性的红外成像卷云检测方法和装置
CN115035282B (zh) 基于轨道相机高质量光伏电池板正射图像采集方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant